다중 클래스 분류 모델 채점

다중 클래스 분류는 이진 분류에서와 같이 단일 불연속 결과를 예측하려고 하지만 클래스가 세 개 이상인 경우 사용합니다. 다중 클래스 분류 모델은 서로 다른 F1 평균으로 채점됩니다.

다중 클래스 분류 실험을 교육하는 동안 생성된 모델의 빠른 분석을 제공하기 위해 다음 차트가 자동 생성됩니다.

• 순열 중요도: 가장 큰 영향(모델 성능에 가장 큰 영향)에서 가장 낮은 영향(모델 성능에 가장 작은 영향)까지 기능이 순서대로 표시되는 차트입니다. 자세한 내용은 순열 중요도을 참조하십시오.

• SHAP 중요성: 각 기능이 예측 결과에 미치는 영향을 나타내는 차트입니다. 자세한 내용은 실험 교육에서 SHAP importance을 참조하십시오.

매크로 F1

Macro F1은 가중치 없이 각 클래스에 대한 평균 F1 값입니다. 즉, 모든 클래스가 동등하게 처리됩니다.

마이크로 F1

Micro F1은 전체 confusion matrix에서 계산된 F1 값입니다. 전체 진양성, 가음성 및 가양성이 계산됩니다. Micro F1 점수를 계산하는 것은 전체 precision 또는 전체 recall을 계산하는 것과 같습니다.

가중치 적용된 F1

Weighted F1은 이진 분류 F1에 해당합니다. 각 클래스에 대해 계산된 다음 각 클래스의 레코드 수를 고려하여 가중 평균으로 결합됩니다.

정확도

정확도는 모델이 평균적으로 올바른 예측을 한 빈도를 측정합니다. 정확히 일치하는 예측 수를 샘플 수로 나눈 값으로 계산됩니다.